1. Pendahuluan 2. Kajian Pustaka
|
|
- Sonny Iskandar
- 7 tahun lalu
- Tontonan:
Transkripsi
1 1. Pendahuluan PTPN IX kebun Ngobo, Ungaran adalah salah satu perusahaan yang bergerak dalam bidang pertanian tanaman semusim dan tahunan. Karet termasuk dalam hasil pertanian tanaman tahunan. Menurut kepala bagian wilayah setro yaitu bapak Sukisno karet merupakan salah satu hasil tanaman tahunan yang memiliki nilai eksport yang sangat tinggi dan sangat menguntungkan bagi perusahaan. Setiap perusahaan karet selalu mengoptimalkan hasil dari tanaman karet agar dapat terus menghasilkan keuntungan bagi perusahaan. Kebutuhan akan karet yang sangat pesat ini akan terus bergantung pada setiap produsen karet. Setiap produsen karet harus terus meningkatkan produksi karet untuk memenuhi kebutuhan pasar. Namun dalam pelaksanaannya terdapat berbagai kendala bagi perusahaan, salah satunya adalah keterbatasan ilmu yang dimiliki oleh karyawan untuk menangani penyakit pada tanaman karet, dimana hal ini sangat berpengaruh pada hasil produksi perusahaan. Karena itulah diperlukan suatu produk yang mampu mengatasi permasalahan penyakit tanaman karet beserta penanganannya. Salah satunya adalah sistem pendeteksi penyakit tanaman karet menggunakan algoritma ID3 (Iterative Dichotomiser Tree). Sistem deteksi pada kasus ini dapat diartikan dengan sistem yang mampu mengetahui jenis penyakit pada tanaman karet dengan memilih gejala gejala penyakit tanaman karet. Algoritma ID3 (Iterative Dichotomiser Tree) dipilih karena metode ini menentukan nilai bobot dari setiap atribut, yang dilanjutkan dengan seleksi alternatif terbaik dari sejumlah alternatif. Alternatif yang dimaksud yaitu jenis penyakit tanaman karet berdasarkan gejala gejala yang ada. Hal yang menjadi permasalahan dalam mengimplementasikan sistem pendeteksi penyakit pada tanaman karet adalah Bagaimana merancang dan mengimplementasikan Algoritma ID3 (Iterative Dichotomiser Tree) pada sistem pendeteksi penyakit tanaman karet (studi kasus: PTPN IX kebun Ngobo, Ungaran). Tujuan dari penelitian ini adalah merancang Algoritma ID3 (Iterative Dichotomiser Tree) dalam membangun sistem pendeteksi penyakit pada tanaman karet dan mengimplementasikan Algoritma ID3 (Iterative Dichotomiser Tree) dalam membangun sistem pendeteksi penyakit tanaman karet. Manfaat dari penelitian ini adalah Algoritma ID3 (Iterative Dichotomiser Tree) diharapkan mampu mendiagnosa penyakit pada tanaman karet beserta penanganannya, sistem pendeteksi penyakit pada tanaman karet ini diharapkan dapat meningkatkan hasil produksi pada perusahaan, meningkatnya hasil produksi karet maka akan menghasilkan keuntungan yang lebih untuk perusahaan. 2. Kajian Pustaka Pada penelitian sebelumnya dengan judul Metode Iterative Dichotomizer 3 (ID3) Untuk Penyeleksian Penerimaan Mahasiswa Baru [1]. Penelitian tersebut menggunakan sebelas sampel data, dan tiga atribute yaitu nilai SPMB, UAN dan psikotest yang memiliki value tinggi, sedang dan rendah. Penggunaan algoritma ID3 dalam penelitian tersebut digunakan untuk memperoleh pengetahuan pada bidang pendidikan khususnya dalam seleksi penerimaan mahasiswa baru, dan diterima atau tidaknya mahasiswa baru tersebut sesuai dengan pertimbangan yang sudah ditetapkan oleh pihak universitas. Penelitian lainya dengan judul Diagnosa Keterlambatan Perkembangan Pada Anak Balita Dengan Acuan Denver II Dan Pengambil Keputusan Dengan Metode Decision Tree Berbasis Jsp [2]. Penggunaan metode Decision Tree kurang optimal 2
2 dalam menentukan proses akhir permasalahan perkembangan anak dan membutuhkan lebih banyak data sampel untuk proses pengujian. Penggunaan metode decision tree atau ID3 dalam kasus diagnosa perkembangan pada anak balita ini terdapat beberapa permasalahan yang memang hanya para pakar yang mampu mendiagnosa suatu penyakit. Pada penelitian ini algoritma ID3 akan digunakan sebagai perhitungan yang nantinya akan menghasilkan pohon keputusan. Penelitian ini menggunakan seratus sampel data untuk setiap permasalahan dan memiliki dua value untuk setiap nilai atribute yaitu ya dan tidak. Iterative Dichotomizer Tree (ID3) ID3 adalah suatu metode induksi aturan yang digunakan untuk menghasilkan konsep atau model dari suatu kumpulan data. ID3 diperkenalkan pertama kali oleh Quinlan (1979). ID3 dikembangkan atas dasar sistem pembelajaran konsep (Concept Learning System) dari Hunt etal, tujuan dari sistem pembelajaran konsep adalah untuk menghasilkan suatu pohon aturan yang mampu mengklasifikasi suatu obyek [3]. Secara ringkas, cara kerja Algoritma ID3 dapat digambarkan sebagai berikut: 1) Ambil semua atribut yang tidak terpakai dan hitung entropinya yang berhubungan dengan test sample. 2) Pilih atribut dimana nilai entropinya minimum. 3) Buat simpul yang berisi atribut tersebut. Adapun sample data yang digunakan oleh ID3 memiliki beberapa syarat, yaitu: (1) Deskripsi atribut nilai. Atribut yang sama harus mendeskripsikan tiap contoh dan memiliki jumlah nilai yang sudah ditentukan, (2) Kelas yang sudah didefinisikan sebelumnya. Suatu atribut contoh harus sudah didefinisikan, karena mereka tidak dipelajari oleh ID3, (3) Kelas-kelas yang diskrit. Kelas harus digambarkan dengan jelas. Kelas yang kontinu dipecah-pecah menjadi kategori yang relatif, misalnya saja metal dikategorikan menjadi hard, quite hard, flexible, soft, quite soft, (4) Jumlah contoh (example) yang cukup. Karena pembangkitan induktif digunakan, maka dibutuhkan test case yang cukup untuk membedakan pola yang valid dari peluang suatu kejadian. Untuk menghitung ID3 maka harus mencari nilai dari entropy dan information gain-nya dapat dilihat pada Rumus 1 dan Rumus 2. [4] Entropy(S) = pa log2 pa pb log2 pb Rumus 1 Rumus Perhitungan Entropy Keterangan : S = ruang (data) sampel yang digunakan untuk training. pa = jumlah yang bersolusi positif (mendukung) pada data sampel untuk kriteria tertentu. pb = jumlah yang bersolusi negatif (tidak mendukung) pada data sampel untuk kriteria tertentu. Gain(S,A)= Entropy(S) Σ Entropy(Sv) Rumus 2 Rumus Perhitungan Information Gain Keterangan : A = Atribut v = Menyatakan suatu nilai yang mungkin untuk atribut S v = Jumlah sampel untuk nilai v 3
3 S = Jumlah seluruh sampel data Entropy (Sv) = Entropy untuk sampel-sampel yang memiliki nilai v Catatan : Entropy(S) = 0, jika semua sampel pada S berada dalam kelas yang sama. Entropy(S) = 1, jika jumlah sampel positif dan jumlah sampel negatif dalam S adalah sama. 0 < Entropy(S) < 1, jika jumlah sampel positif dan jumlah sampel negatif dalam S tidak sama. Kecerdasan Buatan Kecerdasan buatan berasal dari bahasa inggris Artificial Intelligence atau disingkat AI. Kecerdasan buatan merujuk pada mesin yang mampu berpikir, menimbang tindakan yang akan diambil, dan mampu mengambil keputusan seperti yang dilakukan oleh manusia [5]. Terdapat komponen penting dalam tahap pembelajaran kecerdasan buatan, yaitu: Knowledge base (Basis pengetahuan) Basis pengetahuan yang berisi data, fakta-fakta, teori atau aturan-aturan yang diberikan dalam bentuk data (perangkat lunak) knowledge ini yang akan tersimpan terus, semakin banyak knowledge yang dimiliki semakin pintar komputer berpikir. Mesin Inferensi Mesin inferensi berperan sebagai otak dari kecerdasan buatan. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Mesin inferensi melakukan proses untuk memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Proses mesin inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan inexact reasoning dilakukan pada keadaan sebaliknya. Strategi pengendalian berfungsi sebagai panduan arah dalam melakukan prose penalaran. Jenis Jenis Penyakit Pada Tanaman Karet Penyakit tanaman karet dapat dibedakan menjadi empat bagian. Yaitu penyakit yang menyerang pada bagian daun, batang, bidang sadap dan akar. Penyakit yang menyerang bagian daun diantaranya adalah gugur daun oidium, gugur daun colletotrichum, dan gugur daun corynespora. Penyakit yang menyerang bagian batang diantaranya adalah jamur upas. Penyakit yang menyerang bagian akar diantaranya adalah jamur akar putih dan penyakit yang menyerang bagian bidang sadap diantaranya adalah mouldyrot, stripe cancer dan kering alur sadap. Ciri ciri tanaman karet yang tidak sehat adalah daun yang tidak berwarna hijau, segar, dan mengalami gugur daun, batang tidak berwarna coklat cerah, akar berjamur, dan bidang sadap tidak mengeluarkan lateks. [6] 3. Metode Perancangan Sistem Metode pengembangan web yang dipakai dalam menerapkan sistem pendeteksi penyakit pada tanaman karet menggunakan algoritma ID3 adalah waterfall model. Tahapan waterfall model dapat dilihat pada Gambar 1. 4
4 Gambar 1 Bagan Waterfall Model [4] Tahap-tahap yang dilakukan dalam waterfall model untuk menerapkan algoritma ID3 dalam mendeteksi penyakit pada tanaman karet adalah: Analisis kebutuhan dan pendefinisiannya Analisis kebutuhan dilakukan dengan melakukan penelitian di PTPN IX Kebun Ngobo, Ungaran wilayah Setro, dengan menemui bapak Sukisno selaku kepala bagian wilayah Setro. Berdasarkan wawancara yang dilakukan diperoleh bahwa terdapat delapan jenis penyakit tanaman karet yang dialami pada kebun ngobo diantaranya adalah penyakit daun, batang, akar dan bidang sadap. Perancangan sistem dan perangkat lunak Setelah proses penelitian selesai dan sudah didapatkan informasi yang lengkap tentang data penyakit pada tanaman karet, maka tahap selanjutnya adalah melakukan perancangan sistem yang akan dibuat sesuai dengan hasil penelitian dan sesuai dengan aturan-aturan di PTPN IX Kebun Ngobo, Ungaran. Perancangan program dibuat dengan menggunakan Netbeans 6.8, perancangan UML (Unified Modelling Language) dibuat dengan menggunakan Rational Rose Versi 2002 dan perancangan database dilakukan dengan menggunakan SQLyog Enterprise Edition 7.12 Implementasi dan unit testing Tahap selanjutnya adalah melakukan implementasi dari rancangan sistem. Implementasi dibuat dengan menggunakan algoritma ID3.. Hasil perancangan langsung diuji untuk mengetahui kekurangan atau kesalahan pada sistem yang dibangun. Integrasi dan pengujian sistem Integrasi sistem diperlukan supaya sistem dapat berjalan seutuhnya dan dapat segera diuji secara menyeluruh. Pengoperasian dan perawatan Tahap terakhir adalah pengoperasian dan perawatan terhadap aplikasi sistem yang telah dibangun di lingkungannya Desain Sistem Perancangan aplikasi algoritma ID3 (iterative dichotomiser Tree) pada sistem pendeteksi penyakit tanaman karet ini dirancang menggunakan UML sebagai pemodelan sistem. UML yang digunakan adalah use case diagram. Sebuah use case merepresentasikan keseluruhan kerja sistem secara garis besar dan juga merepresentasikan interaksi antara aktor-aktor dengan sistem yang dibangun serta menggambarkan fungsionalitas yang dapat diberikan sistem kepada user. Seorang aktor adalah sebuah entitas manusia atau mesin yang berinteraksi dengan sistem untuk melakukan pekerjaan-pekerjaan tertentu.. Use case diagram sistem dapat 5
5 dilihat pada Gambar 2. Gambar 2 menjelaskan bahwa dalam sistem yang dibuat terdapat 2 hak akses yaitu sebagai admin dan user. User dapat mengakses sistem tanpa melalui login terlebih dahulu. User dapat mengakses menu home, menu konsultasi, menu data dan menu help. User dapat melihat berita, dapat menggunakan menu konsultasi dengan memilih gejala gejala yang terjadi pada tanaman karet untuk dapat mengetahui hasil diagnosa penyakit, serta dapat melihat artikel atau pengetahuan tentang perkembangan yang berkaitan dengan tanaman karet pada menu data. Admin harus login terlebih dahulu untuk dapat mengakses sistem. Admin dapat melakukan perintah insert, update dan delete untuk mengelola berita perusahaan, mengelola artikel, mengelola jenis penyakit, mengelola kriteria penyakit daun, mengelola penyakit batang, mengelola penyakit akar dan mengelola penyakit bidang sadap. Gambar 2 Use Case Diagram Admin Dan User Penerapan Perhitungan Algoritma ID3 Pada sistem yang menjadi tujuan adalah pohon keputusan yang berisi aturan untuk menentukan jenis penyakit tanaman karet, berikut kriteria dari atribute dan nilainya. Kriteria penyakit gugur daun adalah: Daun mengalami bercak putih, suram, lemas dan keriting (meliputi ya dan tidak). Daun kuning, menggulung dan layu (meliputi ya dan tidak) Daun berwarna coklat, keriput, busuk dan berlubang (meliputi ya dan tidak). Mengalami gugur daun (meliputi ya dan tidak). Ranting gugur (meliputi ya dan tidak). Daun berwarna hijau segar, mulus dan mengkilat (meliputi ya dan tidak). Kriteria penyakit batang adalah; Berbenang halus (meliputi ya dan tidak) Berkerak merah jambu (meliputi ya dan tidak) Mengeluarkan lateks (meliputi ya dan tidak) Hijau, segar dan tidak mengeluarkan lateks (meliputi ya dan tidak). Kriteria penyakit akar adalah Daun layu, kusam & keriting (meliputi ya dan tidak). Ranting mati (meliputi ya dan tidak). Akar berjamur (meliputi ya dan tidak). 6
6 Sehat tidak berjamur (meliputi ya dan tidak). Kriteria penyakit bidang sadap adalah: Beludru abu-abu (meliputi ya dan tidak) Bercak hitam meluas, sejajar bidang sadap & luka besar (meliputi ya dan tidak) Garis vertikal hitam (meliputi ya dan tidak) Lateks tidak mengalir (meliputi ya dan tidak) Kulit mengering pecah dan mengelupas (meliputi ya dan tidak). Tidak luka kayu, lateks mengalir, bidang sadap berwarna coklat(meliputi ya dan tidak). 4. Hasil Dan Pembahasan Perhitungan Algoritma ID3 Tabel 1 merupakan 100 data sampel yang nantinya akan menjadi patokan dalam menentukan aturan dalam menentukan jenis penyakit jamur upas. Data Berebenang halus Tabel 1 Tabel Sampel Data Jamur Upas Berkerak merah jambu 7 Mengeluarkan lateks Hijau, segar dan tidak mengeluarkan lateks JU1 Yes No No No Yes JU 2 No Yes No No Yes JU 3 No No Yes No Yes JU 4 No Yes Yes No Yes JU 5 No Yes No Yes No JU 6 Yes No Yes No Yes JU 7 Yes No No Yes No JU 8 Yes No No No Yes JU 9 No Yes No No Yes JU 10 No No No Yes No JU 11 No No Yes No Yes JU 12 No Yes Yes No Yes JU 13 Yes No Yes No Yes JU 14 No Yes No Yes No JU 15 Yes No No No Yes JU 16 No No No Yes No JU 17 No No Yes Yes No JU 18 No Yes No Yes No JU 19 Yes Yes No No Yes JU 20 No Yes No Yes No JU 21 No No No Yes No JU 22 Yes No No Yes No JU 23 No No Yes No Yes JU 24 Yes Yes Yes No Yes JU 25 No No No Yes No JU 26 No Yes No Yes No JU 27 No No Yes No Yes JU 28 No Yes No No Yes JU 29 No Yes Yes No Yes JU 30 No No Yes Yes No JU 31 No Yes No Yes No JU 32 Yes Yes No No Yes JU 33 No Yes Yes No Yes JU 34 Yes No No Yes No JU 35 Yes Yes No No Yes JU 36 No Yes Yes No Yes JU 37 No Yes No Yes No JU 38 Yes No Yes No Yes hasil
7 JU 39 Yes Yes No No Yes JU 40 No No Yes No Yes JU 41 Yes No No Yes No JU 42 No No Yes No Yes JU 43 Yes No No Yes No JU 44 No No Yes Yes No JU 45 Yes Yes No No Yes JU 46 Yes No Yes No Yes JU 47 No Yes Yes No Yes JU 48 Yes No Yes No Yes JU 49 No Yes No Yes No JU 50 Yes No No No Yes JU 51 No Yes No No Yes JU 52 No No Yes Yes No JU 53 No Yes No Yes No JU 54 Yes No No No Yes JU 55 No No Yes Yes No JU 56 No Yes Yes No Yes JU 57 No Yes No Yes No JU 58 Yes No Yes No Yes JU 59 Yes No No Yes No JU 60 No Yes Yes No Yes JU 61 Yes No Yes No Yes JU 62 Yes Yes Yes No Yes JU 63 No Yes No No Yes JU 64 No No Yes No Yes JU 65 No Yes No No Yes JU 66 No No Yes No Yes JU 67 No No No Yes No JU 68 Yes No Yes No Yes JU 69 No Yes Yes No Yes JU 70 No Yes No Yes No JU 71 Yes Yes No No Yes JU 72 No No Yes Yes No JU 73 Yes Yes No No Yes JU 74 Yes No No Yes No JU 75 No Yes Yes No Yes JU 76 No Yes No Yes No JU 77 Yes No Yes No Yes JU 78 No No Yes Yes No JU 79 Yes No Yes No Yes JU 80 No No Yes Yes No JU 81 Yes No Yes No Yes JU 82 Yes No No Yes No JU 83 No No No Yes No JU 84 Yes Yes No No Yes JU 85 No No Yes No Yes JU 86 Yes Yes Yes No Yes JU 87 No Yes No Yes No JU 88 Yes No No Yes No JU 89 Yes No Yes No Yes JU 90 No Yes Yes No Yes JU 91 Yes No No Yes No JU 92 Yes No Yes No Yes JU 93 Yes No No Yes No JU 94 No Yes No Yes No JU 95 No Yes No No Yes JU 96 No No Yes No Yes JU 97 No No No Yes No 8
8 JU 98 Yes Yes No No Yes JU 99 No Yes Yes No Yes JU 100 Yes No No Yes No Entropy [59+, 41-] = -59/100 log2 59/100-41/100 log2 41/100 =-(-0,2291/0,3010*0,59) (-0,3872/0,3010*0,41), ,5274,9765 Info gain untuk atribute berbenang halus Syes [30+, 12-] = -31/42 log2 31/42 12/42 log2 12/42 =-(-0,1319/0,3010*0,7381) (-0,5441/0,3010*0,2857), ,5164,8398 Sno [29+, 29-] = -29/58 log2 29/58 29/58 log 29/58 =-(-0,3010/0,3010*0,5) - (-0,3010/0,3010*0,5),5 + 0,5 =1 Gain (S, berbenang halus) = Entropy S (42/100) S yes (58/100)S no = 0,9765 (42/100) * 0,8398 (58/100) * 1,9765 0,3527 0,58,0438 Info gain untuk atribute berkerak merah jambu Syes [31+, 14-] = -31/45 log2 31/45 14/45 log2 14/45 = -( -0,1619/0,3010 * 0,6889) (-0,5071/0,3010 * 0,3111), ,5241,8946 Sno [28+, 27-] = -28/55 log2 28/55 27/55 log2 27/55 = -(-0,2932/0,3010 * 0,5091) (-0,3090/0,3010 * 0,4909), ,5039,9998 Gain (S, berkerak merah jambu) = Entropy S (45/100) S yes (55/100)S no,9765 (45/100) * 0,8946 (55/100) * 0,9998,9765 0,4026 0,5499,024 Info gain untuk atribute mengeluarkan lateks Syes [38+, 8-] = - 38/46 log2 38/46 8/46 log2 8/46 = - ( -0,0830/0,3010 * 0,8241) ( -0,7597/0,3010 * 0,1739), ,4389,6661 9
9 Sno [21+, 33-] = - 21/54 log2 21/54 33/54 log2 33/54 = - (-0,4102/0,3010 * 0,3889) (-0,2139/0,3010 * 0,6111), ,4343,9643 Gain (S, mengeluarkan lateks) = Entropy S (46/100) S yes (54/100)S no,9765 (46/100) * 0,6661 (54/100) * 0,9643,9765 0,3064 0,5207,1494 Info gain untuk atribute Hijau, segar dan tidak mengeluarkan lateks Syes [0+, 41-] = - 0/41 log2 0/41 41/41 log2 41/41 =-(0) (0/0,3010 * 1) +0 Sno [59+, 0-] =- 59/59 log2 59/59 0/59 log2 0/59 +0 Gain (S, Hijau, segar dan tidak mengeluarkan lateks) = Entropy S (41/100) S yes (59/100)S no = 0,9765 (41/100) * 0 (59/100) * 0, ,9765 Berdasarkan hasil perhitungan information gain, tampak bahwa atribut hijau, segar dan tidak mengeluarkan lateks akan menyediakan prediksi terbaik untuk target atribut hasil. Gambar 4 Pohon Keputusan Penyakit Jamur Upas Tahap Pertama Gambar 4 menjelaskan bahwa atribute hijau, segar dan tidak mengeluarkan lateks menjadi prioritas dalam menentukan penyakit jamur upas. Diketahui bahwa jika nilai atribute hijau, segar dan tidak mengeluarkan lateks yes maka hasilnya adalah tidak dan jika nilai atribute no maka akan dilanjutkan pada tahap yang selanjutnya. Tabel 2 menunjukkan data sampel penyakit jamur upas dengan kriteria hijau, segar dan tidak mengeluarkan lateks yang bernilai no untuk pencarian atribut selanjutnya. Data sampel yang akan dipakai yaitu dari data penyakit [JU1, JU2, JU3, JU4, JU6, JU8, JU9, JU11, JU12, JU13, JU15, JU19, JU23, JU24, JU27, JU28, 10
10 JU29, JU32, JU33, JU35, JU36, JU38, JU39, JU40, JU42, JU45, JU46, JU47, JU48, JU50, JU51, JU54, JU56, JU58, JU60, JU61, JU62, JU63, JU64, JU65, JU66, JU68, JU69, JU71, JU73, JU75, JU77, JU79, JU81, JU84, JU85, JU86, JU89, JU90, JU92, JU95, JU96, JU98, JU99]. Tabel 2 Tabel Sampel Data Jamur Upas Kriteria Hijau, Segar Dan Tidak Mengeluarkan Lateks Value No Data Berebenang Berkerak Mengeluarkan Hijau, segar dan tidak halus merah jambu lateks mengeluarkan lateks hasil JU 1 Yes No No No Yes JU 2 No Yes No No Yes JU 3 No No Yes No Yes JU 4 No Yes Yes No Yes JU 6 Yes No Yes No Yes JU 8 Yes No No No Yes JU 9 No Yes No No Yes JU 11 No No Yes No Yes JU 12 No Yes Yes No Yes JU 13 Yes No Yes No Yes JU 15 Yes No No No Yes JU 19 Yes Yes No No Yes JU 23 No No Yes No Yes JU 24 Yes Yes Yes No Yes JU 27 No No Yes No Yes JU 28 No Yes No No Yes JU 29 No Yes Yes No Yes JU 32 Yes Yes No No Yes JU 33 No Yes Yes No Yes JU 35 Yes Yes No No Yes JU 36 No Yes Yes No Yes JU 38 Yes No Yes No Yes JU 39 Yes Yes No No Yes JU 40 No No Yes No Yes JU 42 No No Yes No Yes JU 45 Yes Yes No No Yes JU 46 Yes No Yes No Yes JU 47 No Yes Yes No Yes JU 48 Yes No Yes No Yes JU 50 Yes No No No Yes JU 51 No Yes No No Yes JU 54 Yes No No No Yes JU 56 No Yes Yes No Yes JU 58 Yes No Yes No Yes JU 60 No Yes Yes No Yes JU 61 Yes No Yes No Yes JU 62 Yes Yes Yes No Yes JU 63 No Yes No No Yes JU 64 No No Yes No Yes JU 65 No Yes No No Yes JU 66 No No Yes No Yes JU 68 Yes No Yes No Yes JU 69 No Yes Yes No Yes JU 71 Yes Yes No No Yes JU 73 Yes Yes No No Yes JU 75 No Yes Yes No Yes JU 77 Yes No Yes No Yes JU 79 Yes No Yes No Yes JU 81 Yes No Yes No Yes 11
11 JU 84 Yes Yes No No Yes JU 85 No No Yes No Yes JU 86 Yes Yes Yes No Yes JU 89 Yes No Yes No Yes JU 90 No Yes Yes No Yes JU 92 Yes No Yes No Yes JU 95 No Yes No No Yes JU 96 No No Yes No Yes JU 98 Yes Yes No No Yes JU 99 No Yes Yes No Yes Info gain untuk atribute berbenang halus S yes [30+, 0-] = - 30/30 log2 30/30 0/30 log2 0/30 +0 S no [29+, 0-] = - 29/29 log2 29/29 0/29 log2 0/29 = 0+0 Gain (S Hijau, segar dan tidak mengeluarkan lateks, berbenang halus) = Entropy S (30/59) S yes (29/59)S no = 0,9765 (30/59) * 0 (29/59) * 0, ,9765 Info gain untuk atribute berkerak merah jambu S yes [31+, 0-] = -31/31 log2 31/31 0/31 log2 0/31 = -(0/0,3010 * 1) (0) +0 S no [28+, 0-] = - 28/28 log2 28/28 0/28 log2 0/28 +0 Gain (S Hijau, segar dan tidak mengeluarkan lateks, berkerak merah jambu) = Entropy S (31/59) S yes (28/59)S no = 0,9765 (31/59) * 0 (28/59) * 0, ,9765 Info gain untuk atribute mengeluarkan lateks S yes [38+, 0-] = -38/38 log2 38/38 0/38 log2 0/38 +0 S no [21+, 0-] = -21/21 log2 21/21 0/21 log2 0/
12 Gain (S Hijau, segar dan tidak mengeluarkan lateks, mengeluarkan lateks) = Entropy S (38/59) S yes (21/59)S no,9765 (38/59) * 0 (21/59) * 0, ,9765 Berdasarkan hasil perhitungan information gain, tampak bahwa atribut berbenang halus akan menjadi penilaian setelah kriteria hijau, segar dan tidak mengeluarkan lateks. Gambar 5 Pohon Keputusan Penyakit Jamur Upas Tahap Kedua Gambar 5 menjelaskan bahwa kriteria hijau,segar dan tidak mengeluarkan lateks menjadi prioritas dalam menentukan hasil keputusan penyakit jamur upas, dan diketahui jika nilai hijau,segar dan tidak mengeluarkan lateks bernilai no maka akan melihat hasil dari kriteria berbenang halus, dan jika nilai hijau,segar dan tidak mengeluarkan lateks bernilai no dan nilai berbenang halus bernilai no belum diketahui hasilnya maka dilanjutkan pada langkah ketiga. Tabel 3 menunjukkan data sampel penyakit jamur upas dengan kriteria hijau, segar dan tidak mengeluarkan lateks yang bernilai no dan berbenanga halus bernilai no untuk pencarian atribut selanjutnya. Data sampel yang akan dipakai yaitu dari data penyakit [JU2, JU3, JU4, JU9, JU11, JU12, JU23, JU27, JU28, JU29, JU33, JU36, JU40, JU42 JU47, JU51, JU56, JU60, JU63, JU64, JU65, JU66, JU69, JU75, JU85, JU90, JU95, JU96, JU99] Tabel 3 Tabel Sampel Data Jamur Upas Kriteria Berbenang Halus Value No Data Berebenang halus Berkerak merah jambu Mengeluarkan lateks hasil JU 2 No Yes No Yes JU 3 No No Yes Yes JU 4 No Yes Yes Yes JU 9 No Yes No Yes JU 11 No No Yes Yes JU 12 No Yes Yes Yes JU 23 No No Yes Yes JU 27 No No Yes Yes JU 28 No Yes No Yes 13
13 JU 29 No Yes Yes Yes JU 33 No Yes Yes Yes JU 36 No Yes Yes Yes JU 40 No No Yes Yes JU 42 No No Yes Yes JU 47 No Yes Yes Yes JU 51 No Yes No Yes JU 56 No Yes Yes Yes JU 60 No Yes Yes Yes JU 63 No Yes No Yes JU 64 No No Yes Yes JU 65 No Yes No Yes JU 66 No No Yes Yes JU 69 No Yes Yes Yes JU 75 No Yes Yes Yes JU 85 No No Yes Yes JU 90 No Yes Yes Yes JU 95 No Yes No Yes JU 96 No No Yes Yes JU 99 No Yes Yes Yes Informasi gain untuk atribute berkerak merah jambu S yes [19+, 0-] = - 19/19 log2 19/19 0/19 log2 0/19 = 0+0 S no [10+, 0-] = - 10/10 log2 10/10 0/10 log2 0/10 +0 Gain (S berbenang halus, berkerak merah jambu) = Entropy S (19/29) S yes (10/29)S no,9765 (19/29) * 0 (10/29) * 0, ,9765 Informasi gain untuk atribute mengeluarkan lateks S yes [22+, 0-] = -22/22 log2 22/22 0/22 log2 0/22 +0 S no [7+, 0-] = -7/7 log2 7/7 0/7 log2 0/
14 Gain (S berbenang halus, mengeluarkan lateks) = Entropy S (22/29) S yes (7/29)S no,9765 (22/29) * 0 (7/29) * 0, ,9765 Berdasarkan hasil perhitungan information gain, tampak bahwa atribut berkerak merah jambu akan menjadi penilaian setelah kriteria berbenang halus. Gambar 6 Pohon Keputusan Penyakit Jamur Upas Tahap Ketiga Gambar 6 menjelaskan bahwa kriteria hijau,segar dan tidak mengeluarkan lateks menjadi prioritas dalam menentukan hasil keputusan penyakit jamur upas. Diketahui jika nilai hijau,segar dan tidak mengeluarkan lateks bernilai no maka akan melihat hasil dari kriteria berbenang halus, jika nilai hijau,segar dan tidak mengeluarkan lateks bernilai no dan nilai berbenang halus bernilai no, dan berkerak merahjambu belum diketahui hasilnya maka dilanjutkan pada langkah keempat. Tabel 4 menunjukkan data sampel penyakit jamur upas dengan kriteria hijau, segar dan tidak mengeluarkan lateks yang bernilai no dan berbenanga halus bernilai no, dan berkerak merahjambu bernilai no untuk pencarian atribut selanjutnya. Data sampel yang akan dipakai yaitu dari data penyakit [JU3, JU11, JU23, JU27, JU40, JU42, JU64, JU66, JU85, JU96] Tabel 4 Tabel Sampel Data Jamur Upas Kriteria Berkerak Merahjambu Value No Data Berkerak merah jambu Mengeluarkan lateks hasil JU 3 No Yes Yes JU 11 No Yes Yes JU 23 No Yes Yes JU 27 No Yes Yes JU 40 No Yes Yes JU 42 No Yes Yes 15
15 JU 64 No Yes Yes JU 66 No Yes Yes JU 85 No Yes Yes JU 96 No Yes Yes Informasi gain untuk atribute mengeluarkan lateks S yes [10+, 0-] = - 10/10 log2 10/10 0/10 log2 0/10 = - (0/0,3010 * 1) (0) +0 Sno [0+, 0-] Gain (S berkerak merahjambu, mengeluarkan lateks) = Entropy S (10/10) S yes (0/10)S no,9765 (10/10) * 0 (0/10) * 0, ,9765 Berdasarkan hasil perhitungan information gain, tampak bahwa atribut mengeluarkan lateks akan menjadi penilaian setelah kriteria berkerak merah jambu. Gambar 7 Pohon Keputusan Penyakit Jamur Upas Tahap Keempat 16
16 Gambar 7 merupakan hasil pohon keputusan dari data sampel penyakit jamur upas. Dari pohon keputusan terlihat kriteria hijau, segar dan tidak mengeluarkan lateks yang menjadi prioritas utama, disusul dengan berbenang halus, berkerak merah jambu dan mengeluarkan lateks. Maka dapat dibuat aturan sebagai berikut : IF hijau, segar dan tidak mengeluarkan lateks = yes THEN hasil = no IF hijau, segar dan tidak mengeluarkan lateks = no, AND berbenang halus = yes THEN hasil = yes IF hijau, segar dan tidak mengeluarkan lateks = no, AND berbenang halus = no, AND berkerak merah jambu = yes THEN hasil = yes IF hijau, segar dan tidak mengeluarkan lateks = no, AND berbenang halus = no, AND berkerak merah jambu = no, AND mengeluarkan lateks = yes THEN hasil = yes IF hijau, segar dan tidak mengeluarkan lateks = no, AND berbenang halus = no, AND berkerak merah jambu = no, AND mengeluarkan lateks = no THEN hasil = no Berdasarkan aturan tersebut maka kriteria hijau, segar dan tidak mengeluarkan lateks menjadi prioritas dalam menentukan penyakit batang yaitu jamur upas, setelah kriteria hijau, segar dan tidak mengeluarkan lateks maka kriteria berbenang halus, berkerak merah jambu dan mengeluarkan lateks yang menentukan penyakit jamur upas. Digunakan seratus sampel data untuk melakukan pengujian kasus, dan diperoleh pohon keputusan seperti yang digambarkan pada gambar 7. Setiap sampel data diuju berdasarkan pohon keputusan yang diperoleh, misalnya untuk data JU1 dapat dikatakan sesuai dengan pohon keputusan karena jika kriteria hijau, segar dan tidak mengeluarkan lateks bernilai No, mengeluarkan lateks bernilai No, berkerak merahjambu bernilai No, dan berbenang halus bernilai Yes maka dapat disimpulkan bahwa gejala tersebut termasuk gejala dari penyakit jamur upas. Didapat 66% tingkat kesesuaian dan 34% data dinyatakan error, berdasarkan hal tersebut pengujian masih belum dinyatakan valid, hal ini disebabkan oleh data kombinasi gejala penyakit yang kurang variatif. Dilakukan juga pengujian terhadap penyakit yang lain dengan hasil tingkat kesesuaian untuk penyakit daun adalah gugur daun oidium memiliki tingkat keakuratan 25%, gugur daun colletotrichum adalah 23%, gugur daun corynespora adalah 30%. Tingkat kesesuain untuk penyakit jamur akar putih adalah 52%, mouldyrout adalah 27%, stripe cancer adalah 20%, dan kering alur sadap adalah 25%. Menu Konsultasi Pada menu konsultasi user diminta untuk memilih jenis penyakit. Gambar 8 merupakan tampilan menu konsultasi. Gambar 8 Tampilan Menu Konsultasi Daftar Penyakit 17
17 Gambar 8 merupakan tampilan menu konsultasi bagian daftar penyakit. Dalam menu daftar penyakit user diminta untuk memilih jenis penyakit yang dialami pada tanaman karet. Apabila user telah memilih penyakit maka akan muncul menu gejala. Menu gejala ditunjukkan pada gambar 9. Gambar 9 Tampilan Menu Gejala Gambar 9 merupakan tampilan menu gejala, dalam menu gejala user diminta untuk memilih gejala yang dialami pada tanaman karet. Setelah memilih gejala kemudian pilih tombol diagnosis untuk mengetahui hasil jenis penyakit yang dialami oleh tanaman karet. Kode Program1 merupakan koding untuk membuat aturan pada gejala penyakit. Kode Program1: Kode Create Rule Gejala Penyakit 1 public function setpenyakitid() { 2 if ($_POST) { 3 $x = 0; 4 foreach ($_POST as $u) { 5 $x+=1; 6 $penyakitid = $u; 7 } 8 if ($x > 1) { 9 $this->session->set_flashdata('message', 'silakan pilih data tidak 10 lebih dari satu'); 11 redirect('penyakit/admin'); 12 } 13 } else { 14 $this->session->set_flashdata('message', 'silakan pilih data 15 terlebih dahulu'); 16 redirect('penyakit/admin'); 17 } 18 $this->penyakitid = $penyakitid; 19 $this->admin(); 20 } Setelah user memilih diagnosa maka akan muncul menu diagnosa penyakit, menu diagnosa penyakit adalah hasil dari gejala yang telah dipilih oleh user. Gambar 10 menunjukkan tampilan menu hasil diagnosa. 18
18 Gambar 10 Tampilan Menu Hasil Diagnosa 5. Simpulan Mengacu pada permasalahan Algoritma ID3 (Iterative Dichotomiser 3) pada sistem pendeteksi penyakit tanaman karet, maka dapat diambil kesimpulan : 1) berdasarkan hasil pembuatan sistem pendeteksi penyakit tanaman karet, Algoritma ID3 dapat diterapkan pada sistem untuk menentukan jenis penyakit tanaman karet, sistem yang dibangun dapat digunakan oleh kantor Setro dalam menentukan jenis penyakit pada tanaman karet, dan sistem dapat mendeteksi jenis penyakit tanaman karet berdasarkan gejala yang dipilih oleh user. 2) Gejala atau atribute dan nilainya dapat berubah sewaktu waktu, atau sesuai dengan kebutuhan sistem atau perkembangan pada penyakit tanaman karet. 3) Tingkat keakuratan pada penyakit jamur upas adalah sebesar 66% dan 34% dinyatakan error, dengan berdasarkan data yang diujikan yaitu 100 sampel data untuk jamur upas. 4) Contoh hasil dari penyelesaian algoritma ID3 dalam menentukan penyakit jamur upas berdasarkan gejala yang paling mendekati adalah keadaan batang yang berwarna hijau, segar dan tidak mengeluarkan lateks, kemudian keadaan batang yang berbenang halus, batang berkerak merah jambu, dan batang mengeluarkan lateks. 5) Sistem dapat mempercepat kinerja karyawan dalam melakukan penanganan terhadap tanaman karet yang sakit,karena karyawan tidak perlu menunggu pimpinan atau ahli untuk mengetahui jenis penyakit tanaman karet beserta penanganannya dan sistem dapat meminimalisir pekerjaan pimpinan, karena dengan kesibukannya, pimpinan tidak perlu tergesa gesa untuk melihat kondisi lapangan dimana terdapat pohon yang sakit. Sistem yang dibangun belum dapat dikatakan sempurna. Oleh sebab itu, masih diperlukan penyempurnaan sistem. Saran yang dapat diberikan untuk penyempurnaan sistem adalah penggunaan algoritma lain untuk menentukan jenis penyakit pada tanaman karet. 6. Daftar Pustaka [1] wahyudin, 2009, Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru. Bandung : Universitas Pendidikan Indonesia. 19
19 [2] Rakhmawati endah, Entin Martiana, Nur Rosyid Mubtadai, Diagnosa Keterlambatan Perkembangan Pada Anak Balita Dengan Acuan Denver II Dan Pengambil Keputusan Dengan Metode Decision Tree Berbasis Jsp. Surabaya : Institut Teknologi Sepuluh Nopember. [3] Manongga, Danny Teori dan Aplikasi Iterative Dichotomizer Three Dalam Pembelajaran Mesin. Salatiga: Universitas Kristen Satya Wacana. [4] Kristiyani, Ninik, Sistem Pendukung Keputusan dengan Menggunakan Algoritma Iterative Dichotomizer Three (Studi Kasus Sistem PT Warna Agung Semarang). Salatiga : FTI UKSW [5] Mulyanto, Edy Kecerdasan Buatan. Semarang : Universitas Dian Nuswantoro. [6] Sardjono Bambang. Vendemecum Karet. Semarang : Kantor Direksi PTPN IX (persero). 20
DIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP
DIAGNOSA KETERLAMBATAN PERKEMBANGAN PADA ANAK BALITA DENGAN ACUAN DENVER II DAN PENGAMBIL KEPUTUSAN DENGAN METODE DECISION TREE BERBASIS JSP Endah Rakhmawati 1, Entin Martiana K, M.Kom 2, Nur Rosyid Mubtadai,
Lebih terperinciBab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya
Bab 2 Tinjauan Pustaka 2.1 Penelitian Sebelumnya Berbagai penelitian yang menerapkan algoritma ID3 (Iterative Dichotomizer Three) sebagai metode perhitungannya telah banyak dilakukan. ID3 (Iterative Dichotomizer
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciDecision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa
Decision Tree Learning Untuk Penentuan Jalur Kelulusan Mahasiswa Winda Widya Ariestya 1, Yulia Eka Praptiningsih 2, Wahyu Supriatin 3 Program Studi Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Lebih terperinciKecerdasan Buatan Materi 6. Iterative Dichotomizer Three (ID3)
Kecerdasan Buatan Materi 6 Iterative Dichotomizer Three (ID3) Pengertian ID3 Singkatan dari Iterative Dichotomiser Three. Atau Induction of Decision Tree. Diperkenalkan pertama kali oleh Ross Quinlan (1979)
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru Wahyudin Program Pendidikan Ilmu Komputer, Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu
Lebih terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Genap 2010/2011
STMIK GI MDP Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Genap 2010/2011 SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PADA TANAMAN KARET DAN CARA PENANGGULANGANNYA Fi lie 2006250003 Meriyana
Lebih terperinciBAB I PENDAHULUAN. dengan menerapkan teknologi tepat guna, namun dalam mengembangkan sistem
BAB I PENDAHULUAN 1.1 Latar Belakang Pada era persaingan global dan kompetisi yang semakin ketat, setiap perusahaan harus mampu melakukan inovasi untuk bertahan. Salah satunya dengan menerapkan teknologi
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Sistem Dengan adanya program perancangan perangkat lunak sistem pakar mendeteksi penyakit pada buah jeruk ini, diharapkan dapat membantu para petani jeruk
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Penyakit Meningitis dapat menyerang siapa saja, namun dalam kenyataannya, kasus terbanyak pada bayi dan anak-anak. Maka diperlukannya seorang
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM III.1 Analisa Analisa merupakan tahap awal yang harus dilakukan untuk memecahkan permasalahan yang sedang dihadapi. Tahap ini sangat penting karena dengan proses
Lebih terperinciSTMIK GI MDP. Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2010/2011
STMIK GI MDP Program Studi Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2010/2011 ANALISIS SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT PADA TANAMAN KELAPA SAWIT Emi Kantari 2006250029 Cicilya
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilakukan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dalam penyusunan skripsi diperlukan metode yang digunakan untuk menyusun
42 BAB III METODOLOGI PENELITIAN 3.1 Metode Pengumpulan Data Dalam penyusunan skripsi diperlukan metode yang digunakan untuk menyusun serta melengkapi data yang ada. Tahapan metode yang digunakan adalah
Lebih terperinciSistem Pendukung Keputusan dengan Menggunakan Algoritma Iterative Dichotomizer Three (Studi Kasus Sistem PT Warna Agung Semarang)
Sistem Pendukung Keputusan dengan Menggunakan Algoritma Iterative Dichotomizer Three (Studi Kasus Sistem PT Warna Agung Semarang) 1) Ninik Kristiyani, 2) Charitas Fibriani, 3) Andeka Rocky Tanaamah Fakultas
Lebih terperinciBAB I PENDAHULUAN. cara berpikir manusia yang disebut sebagai artificial intelligence atau lebih
BAB I PENDAHULUAN I.1. Latar Belakang Perkembangan zaman tidak luput dari perkembangan teknologi informasi, Semakin pesatnya perkembangan teknologi informasi saat ini sangat mempengaruhi pola pikir dan
Lebih terperinciPROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3
32 PROGRAM BANTU SELEKSI AWAL DOSEN BERPRESTASI MENGGUNAKAN METODE ITERATIVE DICHOTOMISER 3 Yo el Pieter Sumihar* 1, Idris Efendi 2 1,2,3 Jurusan Komputer, Teknik Informatika, Fakultas Sains dan Komputer,
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Dalam pengoperasian pekerjaan gondola di ketinggian membutuhkan keahlian khusus dan pengetahuan dibidangnya agar tidak terjadi kendala yang dapat
Lebih terperinciSISTEM CERDAS DIAGNOSA PENYAKIT AYAM
SISTEM CERDAS DIAGNOSA PENYAKIT AYAM PRASETYO ADHY PRABOWO Program Studi Ilmu Komputer, FIK Universitas Dian Nuswantoro Jl. Nakula I No. 5-11, Semarang, 50131 Abstrak : Seiring perkembangan tekhnologi,
Lebih terperinciTAKARIR. data atau informasi dan transformasi data yang bergerak dari pemasukan data hingga ke keluaran. Database
TAKARIR artificial intelligence backward chaining Data Flow Diagram (DFD) Database Decision Tree expert system forward chaining Flowchart Hardware Input Interface knowladge base Login Logout Output kecerdasan
Lebih terperinciSistem Pakar Diagnosis Penyakit Menular Pada Klinik Umum Kebon Jahe Berbasis Web Dengan Menggunakan Metode Forward Chaining
Sistem Pakar Diagnosis Penyakit Menular Pada Klinik Umum Kebon Jahe Berbasis Web Dengan Menggunakan Metode Forward Chaining Rahmat Tullah 1, Syaipul Ramdhan 2, Nasrullah Mubarak Padang 3 1,2 Dosen STMIK
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM Pada bab ini akan dibahas mengenai Perancangan Sistem Pendukung Keputusan Pemberian Bonus Berdasarkan Penilaian Kinerja Karyawan Pada PT. Telkom, Tbk Medan Dengan Metode
Lebih terperinciBAB I PENDAHULUAN. Untuk dapat mengetahui tingkat kemampuan dan pengetahuan seseorang bukanlah suatu hal
BAB I PENDAHULUAN I.1. Latar Belakang Menjadi siswa berprestasi adalah impian setiap anak usia sekolah. Terlihat menonjol di antara siswa siswi lainnya, tentu akan membuat bangga dan akan terkenang sampai
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisa Sistem Yang Sedang Berjalan Analisa sistem merupakan proses awal yang harus dilaksanakan untuk menentukan permasalahan yang sedang dihadapi. Tahap ini bertujuan
Lebih terperinciPENDAHULUAN 1. Latar Belakang 2. Rumusan Masalah 3. Tujuan Dan Manfaat
PENDAHULUAN 1. Latar Belakang Perkembangan ilmu kedokteran mengalami kemajuan pesat yang ditandai dengan ditemukannya penyakit-penyakit tropis baru yang belum teridentifikasi sebelumnya. Para dokter ahli
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisa Sistem Analisa sistem pada penelitian ini bertujuan untuk menjelaskan sistem yang sedang berjalan yang terdiri dari input, proses, dan output sistem sehingga
Lebih terperinciMembangun Rule Dengan Algoritma Iterative Dichotomiser 3 (Id3) Untuk Penjurusan Siswa SMA
Membangun Rule Dengan Algoritma Iterative Dichotomiser 3 (Id3) Untuk Penjurusan Siswa SMA 1 Didik Kurniawan, 2 Anie Rose Irawati, 3 Hilman hudaya 1 Jurusan Ilmu Komputer FMIPA Unila 2 Jurusan Ilmu Komputer
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Tahap ini merupakan penyesuaian perangkat lunak dengan rancangan dan desain sistem yang telah dibuat. Sistem informasi yang dibuat akan diterapkan berdasarkan
Lebih terperinciBAB V PENUTUP Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN
DAFTAR ISI LEMBAR PERSETUJUAN... i LEMBAR PENGESAHAN... ii ABSTRAK... iii ABSTRACT... iv BIOGRAFI PENULIS... v LEMBAR PERSEMBAHAN... vi KATA PENGANTAR... vii DAFTAR ISI... ix DAFTAR GAMBAR... xii DAFTAR
Lebih terperinciSISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU
SISTEM PENUNJANG KEPUTUSAN PENERIMA BEASISWA DENGAN METODE DESCISION TREE C4.5 Pada SMAK YOS SUDARSO BATU Jonathan Rinaldy 1) 1) Program Studi Teknik Informatika, Sekolah Tinggi Informatika & Komputer
Lebih terperinciBAB IV HASIL DAN UJICOBA
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan Sistem Pakar Penanggulangan Hama dan Penyakit Tanaman Hias Aglaonema yang dapat dilihat sebagai
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM. identifikasi penyakit pada tanaman buah naga dengan menggunakan metode
BAB III ANALISIS DAN DESAIN SISTEM Pada bab ini penulis akan membahas mengenai perancangan sistem pakar identifikasi penyakit pada tanaman buah naga dengan menggunakan metode certainty Factor yang meliputi
Lebih terperinciBAB I PENDAHULUAN. seiring dengan kebutuhan manusia yang semakin banyak dan kompleks. Hal ini yang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan komputer dewasa ini mengalami perkembangan yang sangat pesat, seiring dengan kebutuhan manusia yang semakin banyak dan kompleks. Hal ini yang
Lebih terperinciBAB II TINJAUAN PUSTAKA Sistem Pendukung Keputusan (Decision Support System)
BAB II TINJAUAN PUSTAKA 2.1. Sistem Pendukung Keputusan (Decision Support System) Sistem Pendukung Keputusan (SPK) merupakan sistem yang dibuat untuk membantu mengambil keputusan oleh komputer dalam suatu
Lebih terperinciPERANCANGAN SISTEM PENDUKUNG KEPUTUSAN (SPK) UNTUK MENENTUKAN KELAIKLAUTAN KAPAL ABSTRAK
PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN (SPK) UNTUK MENENTUKAN KELAIKLAUTAN KAPAL Oleh Pembimbing : Bambang Setiawan : 1. Prof. Ir. Raden Sjarief Widjaja, Ph.D 2. DR-Ing. Ir. Setyo Nugroho ABSTRAK Salah
Lebih terperinciPerancangan dan Implementasi Sistem Pendukung Keputusan untuk Jalan Menggunakan Metode ID3 (Studi Kasus Bappeda Kota Salatiga)
Perancangan dan Implementasi Sistem Pendukung Keputusan untuk Jalan Menggunakan Metode ID3 (Studi Kasus Bappeda Kota Salatiga) 1) FX. Bagus A. W., 2)M. A. Ineke Pakereng, 3)Hendro S. Tampake Fakultas Teknologi
Lebih terperinciBAB IV HASIL DAN UJICOBA
BAB IV HASIL DAN UJICOBA IV.1. Tampilan Hasil Berikut ini dijelaskan mengenai tampilan hasil dari perancangan Sistem Pakar Pendiagnosis Penyakit Pada Tanaman Hias African Violets Dengan Metode CBR yang
Lebih terperinciBAB I PENDAHULUAN. sayur yang banyak dikonsumsi oleh masyarakat di seluruh dunia, terutama di
BAB I PENDAHULUAN I.1. Latar Belakang Buah tomat (Lycopersicum esculentum. Mill. L.) merupakan tanaman sayur yang banyak dikonsumsi oleh masyarakat di seluruh dunia, terutama di Indonesia. Tomat (Lycopersicon
Lebih terperinciSISTEM PAKAR PENDETEKSI PENYAKIT MATA BERBASIS ANDROID
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 2, (2017) 57 SISTEM PAKAR PENDETEKSI PENYAKIT MATA BERBASIS ANDROID Aditiawarman 1, Helfi Nasution 2, Tursina 3 Program Studi Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN. botani disebut Fungi termasuk ke dalam golongan tumbuhan sederhana
BAB I PENDAHULUAN I.1. Latar Belakang Jamur dalam bahasa Indonesia disebut Cendawan dan dalam istilah botani disebut Fungi termasuk ke dalam golongan tumbuhan sederhana karena tidak berklorofil. Tubuh
Lebih terperinciSistem Pendukung Keputusan dengan Menggunakan Algoritma Iterative Dichotomizer Three (Studi Kasus Sistem PT Warna Agung Semarang)
Sistem Pendukung Keputusan dengan Menggunakan Algoritma Iterative Dichotomizer Three (Studi Kasus Sistem PT Warna Agung Semarang) 1) Ninik Kristiyani, 2) Andeka Rocky Tanaamah, 3) Charitas Fibriani Fakultas
Lebih terperinciSISTEM PAKAR DIAGNOSA HAMA PENYAKIT TANAMAN JAMBU METE BERBASIS ANDROID Reyvan Septa R. A
SISTEM PAKAR DIAGNOSA HAMA PENYAKIT TANAMAN JAMBU METE BERBASIS ANDROID Reyvan Septa R. A11.2008.04175 Program Studi Teknik Informatika Universitas Dian Nuswantoro 2013 ABSTRAK Tanaman Jambu Mete merupakan
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Analisis merupakan tahap awal yang harus dilakukan untuk memecahkan permasalahan yang sedang dihadapi. Tahap ini sangat penting karena dengan
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM Pada bab ini akan dibahas mengenai sistem pakar kerusakan dinamo listrik dengan metode forward chaining yang meliputi analisa sistem yang sedang berjalan dan desain sistem.
Lebih terperinciSISTEM PAKAR UNTUK MENENTUKAN TIPE AUTISME PADA ANAK USIA 7-10 TAHUN MENGGUNAKAN METODE FORWARD CHAINING. Agam Krisna Setiaji
1 SISTEM PAKAR UNTUK MENENTUKAN TIPE AUTISME PADA ANAK USIA 7-10 TAHUN MENGGUNAKAN METODE FORWARD CHAINING Agam Krisna Setiaji Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Dian Nuswantoro,
Lebih terperinciPerancangan dan Implementasi Sistem Pendukung Keputusan untuk Jalan Menggunakan Metode ID3 (Studi Kasus BAPPEDA Kota Salatiga) Halaman Judul
Perancangan dan Implementasi Sistem Pendukung Keputusan untuk Jalan Menggunakan Metode ID3 (Studi Kasus BAPPEDA Kota Salatiga) SKRIPSI Diajukan kepada Fakultas Teknologi Informasi untuk memperoleh Gelar
Lebih terperinciPENERAPAN ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3) UNTUK DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2014, pp. 222~227 PENERAPAN ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3) UNTUK DIAGNOSA PENYAKIT DEMAM BERDARAH DENGUE 222 Salmaa Athiry 1, Denny Pribadi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Data Mining 2.1.1 Pengertian Data Mining Dengan semakin besarnya jumlah data dan kebutuhan akan analisis data yang akurat maka dibutuhkan metode analisis yang tepat. Data mining
Lebih terperinciUKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan komputer yang kian pesat, saat ini komputer telah mampu mengolah pengetahuan, sehingga dalam proses pengambilan keputusan dapat
Lebih terperinciPEMANFATAN TEOREMA BAYES DALAM PENENTUAN PENYAKIT THT
PEMANFATAN TEOREMA BAYES DALAM PENENTUAN PENYAKIT THT Sri Winiarti Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad Dahlan Yogyakarta Email : daffal02@yahoo.com ABSTRAK Dalam
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem pakar sangat dibutuhkan untuk membantu pekerjaan manusia dalam mengambil suatu keputusan. Sistem pakar mulai dikembangkan pada tahun 1960-an dan 1970-an. Berdasarkan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Salah satu hewan ternak yang paling banyak diternakkan adalah unggas. Unggas memberikan banyak manfaat dan keuntungan, antara lain dapat dimanfaatkan dagingnya,
Lebih terperinciSistem Pakar Diagnosa Menentukan Kerusakan Pada Mesin Cuci Dengan Metode Forward Chaining Berbasis Web. Agung Wicaksono Sistem Informasi
Sistem Pakar Diagnosa Menentukan Kerusakan Pada Mesin Cuci Dengan Metode Forward Chaining Berbasis Web Agung Wicaksono 10112380 Sistem Informasi Latar Belakang 1. Kemajuan bidang elektronik terjadi dengan
Lebih terperinciPERANCANGA SISTEM PAKAR PENDETEKSI GANGGUAN KEHAMILAN ABSTRAK
PERANCANGA SISTEM PAKAR PENDETEKSI GANGGUAN KEHAMILAN Budiya Surya Putra, S.Kom. ABSTRAK Sistem pakar pendeteksian gangguan kehamilam ini merupakan sistem untuk mengetahui jenis-jenis gangguan kehamilan
Lebih terperinciCASE-BASED REASONING (CBR) PADA SISTEM PAKAR IDENTIFIKASI HAMA DAN PENYAKIT TANAMAN SINGKONG DALAM USAHA MENINGKATKAN PRODUKTIVITAS TANAMAN PANGAN
CASE-BASED REASONING (CBR) PADA SISTEM PAKAR IDENTIFIKASI HAMA DAN PENYAKIT TANAMAN SINGKONG DALAM USAHA MENINGKATKAN PRODUKTIVITAS TANAMAN PANGAN Oleh: Minarni, Indra Warman, Wenda Handayani Jurusan Teknik
Lebih terperinciMetode Iterative Dichotomizer 3 ( ID3 ) Untuk Penerimaan Mahasiswa Baru
Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penerimaan Mahasiswa Baru Wahyudin Program Studi Ilmu Komputer Universitas Pendidikan Indonesia Abstrak Konsep pohon merupakan salah satu konsep teori graf
Lebih terperinciTUGAS KELOMPOK SISTEM PAKAR NAMA KELOMPOK : FERI DWI UTOMO ROBBY INDRAWAN SUDRAJAT SEPTIAWAN PRIO SETIADI
TUGAS KELOMPOK SISTEM PAKAR NAMA KELOMPOK : FERI DWI UTOMO 1341177004176 ROBBY INDRAWAN SUDRAJAT 1341177004239 SEPTIAWAN PRIO SETIADI 1341177004314 JURNAL KE 1 JUDUL : Aplikasi Sistem Pakar Untuk Mendiagnosa
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1 Analisa Sistem Kendala-kendala yang dihadapi pada sistem yang sedang berjalan yaitu : 1. Sebagian besar masyarakat tidak perduli akan penyakit yang dideritanya.
Lebih terperinci1.3 Batasan Masalah Adapun batasan masalahnya adalah sebagai berikut: 1. Uji coba perangkat lunak
1 1.1 penyakit. Selain itu, ikan nila memiliki toleransi yang luas terhadap kondisi lingkungan serta memiliki kemampuan yang efesien dalam membentuk protein dari bahan organik, limbah domestik, dan pertanian.
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM Pada bab ini penulis akan membahas mengenai perancangan sistem pakar identifikasi penyakit pada pohon Pepaya dengan menggunakan metode certainty Factor yang meliputi
Lebih terperinciRANCANG BANGUN SISTEM PAKAR PADA PERANGKAT MOBILE DIDUKUNG DENGAN WML DAN PHP. Julius Santony
RANCANG BANGUN SISTEM PAKAR PADA PERANGKAT MOBILE DIDUKUNG DENGAN WML DAN PHP Julius Santony Abstrak Perkembangan teknologi Kecerdasan Buatan yang terjadi telah memungkinkan Sistem Pakar untuk diaplikasikan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Untuk menghasilkan aplikasi sistem pakar yang baik diperlukan
BAB III ANALISIS DAN PERANCANGAN SISEM 3.1 Analisis Untuk menghasilkan aplikasi sistem pakar yang baik diperlukan pembuatan knowledge base (basis pengetahuan) dan rule base (basis aturan) yang lengkap
Lebih terperinciSISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER
SISTEM KLASIFIKASI PENYEBARAN PENYAKIT MATA DI JAWA BARAT DENGAN ALGORITMA ITERATIVE DICHOTOMISER 3 DAN NAÏVE BAYES CLASSIFIER Wina Witanti 1*, Dian Nursantika 2, Zillan Taufiq Budiman 3 1,2,3 Program
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah menjelaskan seluruh kegiatan selama berlangsungnya penelitian untuk menghasilkan informasi yang lebih akurat sesuai dengan permasalahan yang akan
Lebih terperinciSISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN METODE CERTAINTY FACTOR
SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN METODE CERTAINTY FACTOR Linda Wahyuni 1, Surya Darma 2 1 Dosen Jurusan Sistem Informasi, STMIK Potensi Utama 2 Mahasiswa Jurusan Sistem Informasi
Lebih terperinciSISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN METODE CERTAINTY FACTOR
SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN METODE CERTAINTY FACTOR Linda Wahyuni 1, Surya Darma 2 1 Dosen Jurusan Sistem Informasi, STMIK Potensi Utama 2 Mahasiswa Jurusan Sistem Informasi
Lebih terperinciRancang Bangun Sistem Pakar Pendiagnosa Penyakit Demam Typhoid dan Demam Berdarah Dengue dengan Metode Forward Chaining
Rancang Bangun Sistem Pakar Pendiagnosa Penyakit Demam Typhoid dan Demam Berdarah Dengue dengan Metode Forward Chaining Benny Wijaya, Maria Irmina Prasetiyowati Program Studi Teknik Informatika, Universitas
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciDIAGNOSA PENYAKIT JANTUNG DENGAN METODE PENELUSURAN FORWARD CHAINNING-DEPTH FIRST SEARCH
DIAGNOSA PENYAKIT JANTUNG DENGAN METODE PENELUSURAN FORWARD CHAINNING-DEPTH FIRST SEARCH Putri Kurnia Handayani Jurusan Sistem Informasi Universitas Muria Kudus PO BOX 53 Gondangmanis Kudus e-mail : pu3_kurnia@yahoo.com
Lebih terperinciBAB I PENDAHULUAN. kesehatan akan memeriksa dan melakukan diagnosa. Bila dokter cukup sibuk dan
BAB I PENDAHULUAN I.1. Latar Belakang Sistem pakar menirukan perilaku seorang pakar dalam menangani suatu persoalan. Pada suatu kasus seorang pasien mendatangi dokter untuk memeriksa badannya yang mengalami
Lebih terperinciRANCANG BANGUN APLIKASI KNOWLEDGE BASED SYSTEM BERBASIS FENG SHUI UNTUK MENENTUKAN HARGA JUAL RUMAH PADA PROPERTY AGENT
RANCANG BANGUN APLIKASI KNOWLEDGE BASED SYSTEM BERBASIS FENG SHUI UNTUK MENENTUKAN HARGA JUAL RUMAH PADA PROPERTY AGENT Yoga Nugroho Teknik Informatika S-1 Universitas Dian Nuswantoro Semarang ABSTRAK
Lebih terperinciSistem Berbasis Pengetahuan. Program Studi Sistem Komputer Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang
Sistem Berbasis Pengetahuan Program Studi Sistem Komputer Fakultas Ilmu Komputer Universitas Putra Indonesia YPTK Padang Rule sebagai Teknik Representasi Pengetahuan Syntax Rule : IF E THEN H E : Evidence
Lebih terperinciPENERAPAN DATA MINING UNTUK KLASIFIKASI PREDIKSI PENYAKIT ISPA (Infeksi Saluran Pernapasan Akut) DENGAN ALGORITMA DECISION TREE (ID3)
PENERAPAN DATA MINING UNTUK KLASIFIKASI PREDIKSI PENYAKIT ISPA (Infeksi Saluran Pernapasan Akut) DENGAN ALGORITMA DECISION TREE (ID3) 1 Aline Embun Pramadhani (08018360), Tedy Setiadi (0407016801) 1, Program
Lebih terperinciRima Nurasmi Program Studi Teknik Informatika Universitas Ahmad Dahlan ABSTRAK
IMPLEMENTASI CASE BASE REASONING PADA SISTEM PENDUKUNG KEPUTUSAN KESEHATAN UNTUK PENANGANAN DINI PADA KECELAKAAN DENGAN METODE HERBAL Studi Kasus Dalam Rumah Tangga Rima Nurasmi Program Studi Teknik Informatika
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Pada bab ini akan dibahas mengenai perancangan sistem pakar mendeteksi penyakit rheumatic pada manusia dengan menggunakan metode dempster shafer yang meliputi analisa sistem
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Sistem Yang Sedang Berjalan Analisa sistem yang sedang berjalan di tempat praktek Drh. Salisah Anggita Ningsih Tandam Hilir masih menggunakan sistem yang
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
70 BAB IV HASIL DAN PEMBAHASAN IV.1. Hasil Dalam pembahasan hasil program berisi tentang menjelaskan halaman dari program, terutama yang berkaitan dengan interface (antar muka) sebagai penghubung antara
Lebih terperinciPENERAPAN SISTEM PAKAR DALAM MENDIAGNOSA PENYAKIT PADA TANAMAN ADENIUM (KAMBOJA JEPANG)
PENERAPAN SISTEM PAKAR DALAM MENDIAGNOSA PENYAKIT PADA TANAMAN ADENIUM (KAMBOJA JEPANG) Zara Yunizar Dosen Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Almuslim ABSTRAK Tanaman merupakan
Lebih terperinciBAB I PENDAHULUAN. (intelligent system) adalah sistem yang dibangun dengan menggunakan
BAB I PENDAHULUAN A. Latar Belakang Kecerdasan buatan atau artificial intelligence merupakan bagian dari ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang
Lebih terperinciSISTEM PAKAR BERBASIS MOBILE UNTUK MENDETEKSI PENYAKIT PADA GINJAL
SISTEM PAKAR BERBASIS MOBILE UNTUK MENDETEKSI PENYAKIT PADA GINJAL Achmad Solichin Teknik Informatika, Fakultas Teknologi Informasi, Universitas Budi Luhur Jl. Ciledug Raya, Petukangan Utara, Jakarta Selatan,
Lebih terperinciSISTEM PAKAR MENDIAGNOSA PENYAKIT UMUM YANG SERING DIDERITA BALITA BERBASIS WEB DI DINAS KESEHATAN KOTA BANDUNG
Jurnal Komputer dan Informatika (KOMPUTA) 65 SISTEM PAKAR MENDIAGNOSA PENYAKIT UMUM YANG SERING DIDERITA BALITA BERBASIS WEB DI DINAS KESEHATAN KOTA BANDUNG Tati Harihayati 1, Luthfi Kurnia 2 1,2 Program
Lebih terperinciSistem Klasifikasi Jamur Dengan Algoritma Iterative Dichotomiser 3
ISSN: 2528-4061 27 Sistem Klasifikasi Jamur Dengan Algoritma Iterative Dichotomiser 3 Junita Eka Sari 1, Nesi Syafitri 2 1,2 Program Studi Teknik Informatika, Fakultas Teknik, Universitas Islam Riau e-mail:
Lebih terperinciBAB III PERANCANGAN SISTEM. 3.1 Rancangan Sistem Pakar Diagnosis Trafo Tenaga
BAB III PERANCANGAN SISEM 3.1 Rancangan Sistem Pakar Diagnosis rafo enaga Perancangan sistem pada perangkat lunak untuk mendiagnosis trafo tenaga ini membutuhkan data gejala kerusakan, pertanyaan pengetahuan
Lebih terperinciBAB I PENDAHULUAN. Semakin pesatnya perkembangan teknologi informasi saat ini sangat berdampak
BAB I PENDAHULUAN I.1. Latar Belakang Perkembangan zaman tidak luput dari perkembangan teknologi informasi. Semakin pesatnya perkembangan teknologi informasi saat ini sangat berdampak pada pola pikir dan
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Laboratorium komputer merupakan tempat berlangsungnya praktikum sebagai salah satu kegiatan akademik di Program Studi S-1 Ilmu Komputer Universitas Sumatera Utara.
Lebih terperinciSISTEM PAKAR IDENTIFIKASI PENANGGULANGAN HAMA DAN PENYAKIT PADA ANGGREK PHALAENOPSIS BERBASIS WEB
SISTEM PAKAR IDENTIFIKASI PENANGGULANGAN HAMA DAN PENYAKIT PADA ANGGREK PHALAENOPSIS BERBASIS WEB Eva Puspita 1), Taufik Baidawi 2) Sistem Informasi, STMIK Nusamandiri, Sukabumi email: eva.puspita47@yahoo.co.id
Lebih terperinciSistem Pakar Untuk Mendeteksi Kerusakan Pada Sepeda Motor 4-tak Dengan Menggunakan Metode Backward Chaining
Sistem Pakar Untuk Mendeteksi Kerusakan Pada Sepeda Motor 4-tak Dengan Menggunakan Metode Backward Chaining Maria Shusanti F Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Bandar Lampung
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM. serangan musuh, dengan terlihat sehat, musuh tidak akan menyerang. Berdasarkan
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Burung termasuk hewan yang pandai menyembunyikan keadaan kesehatannya. Hal ini karena sifat alami burung untuk mempertahankan diri dari serangan
Lebih terperinciSistem Pakar Diagnosa Penyakit Lambung dengan Metode Forward Chaining Berbasis Android
Sistem Pakar Diagnosa Lambung dengan Metode Forward Chaining Berbasis Android Joko S Dwi Raharjo 1, Damdam Damiyana 2, Miftach Hidayatullah 3 1,2 Dosen STMIK Bina Sarana Global, 3 Mahasiswa STMIK Bina
Lebih terperinciPERANCANGAN SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT TANAMAN JAGUNG MENGGUNAKAN FUZZY MCDM BERBASIS WEB
PERANCANGAN SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT TANAMAN JAGUNG MENGGUNAKAN FUZZY MCDM BERBASIS WEB Edi Munanda 1 dan Nanang Prihatin 2 1 Alumni Jurusan Teknik Elektro Politeknik Negeri Lhokseumawe
Lebih terperinciTUGAS DATA MINING. Nama Kelompok : I Putu Ari Ratna Pratama ( ) Putu Mega Suryawan ( ) Ida Bagus Surya Winantara ( )
TUGAS DATA MINING Nama Kelompok : I Putu Ari Ratna Pratama (1208605055) Putu Mega Suryawan (1208605069) Ida Bagus Surya Winantara (1208605085) PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN ILMU KOMPUTER - FMIPA
Lebih terperinciSistem Pakar untuk Mendiagnosa Penyakit yang Disebabkan Nyamuk dengan Metode Forward Chainning
Nur Nafi iyah dkk: Sistem Pakar untuk Mendiagnosa Penyakit 20 Sistem Pakar untuk Mendiagnosa Penyakit yang Disebabkan Nyamuk dengan Metode Forward Chainning Nur Nafi iyah dan Endang Setyati Program Pascasarjana
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Sistem ng Berjalan Kelapa sawit merupakan komoditas perkebunan unggulan dan utama di Indonesia. Tanaman yang produk utamanya terdiri dari minyak sawit
Lebih terperinciPEMANFAATAN TEKNOLOGI KNOWLEDGE-BASED EXPERT SYSTEM UNTUK MENGIDENTIFIKASI JENIS ANGGREK DENGAN MENGGUNAKAN BAHASA PEMROGRAMAN JAVA
Yogyakarta, 22 Juli 2009 PEMANFAATAN TEKNOLOGI KNOWLEDGE-BASED EXPERT SYSTEM UNTUK MENGIDENTIFIKASI JENIS ANGGREK DENGAN MENGGUNAKAN BAHASA PEMROGRAMAN JAVA Ana Kurniawati, Marliza Ganefi, dan Dyah Cita
Lebih terperinciSISTEM PAKAR MENDIAGNOSA GANGGUAN KEHAMILAN MENGGUNAKAN METODE DEPTH FIRST SEARCH BERBASIS WEB
SISTEM PAKAR MENDIAGNOSA GANGGUAN KEHAMILAN MENGGUNAKAN METODE DEPTH FIRST SEARCH BERBASIS WEB Tarwiyah 41811010150 PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS MERCU BUANA JAKARTA
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisa Sistem Yang Berjalan Analisa sistem yang berjalan selama ini masih menggunakan sistem yang manual. Analisa input yang ada pada sistem yang sedang berjalan
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
37 BAB III ANALISA DAN DESAIN SISTEM III.1. Analisa Sistem Yang Berjalan Analisa sistem pada yang berjalan bertujuan untuk mengidentifikasi serta melakukan evaluasi terhadap Sistem Pakar Penanggulangan
Lebih terperinciSISTEM PAKAR DIAGNOSIS PENYAKIT YANG DISEBABKAN OLEH VIRUS INFLUENZA MENGGUNAKAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR
SISTEM PAKAR DIAGNOSIS PENYAKIT YANG DISEBABKAN OLEH VIRUS INFLUENZA MENGGUNAKAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Tanaman Karet adalah polimer hidrokarbon yang terkandung pada lateks (getah kental yang membeku ketika terkena udara bebas) beberapa jenis tumbuhan. Sumber utama produksi
Lebih terperinciEXPERT SYSTEM DENGAN BEBERAPA KNOWLEDGE UNTUK DIAGNOSA DINI PENYAKIT-PENYAKIT HEWAN TERNAK DAN UNGGAS
EXPERT SYSTEM DENGAN BEBERAPA KNOWLEDGE UNTUK DIAGNOSA DINI PENYAKIT-PENYAKIT HEWAN TERNAK DAN UNGGAS Agus Sasmito Aribowo Teknik Informatika. UPN Veteran Yogyakarta Jl. Babarsari no 2 Tambakbayan 55281
Lebih terperinci